SCEPTER: AI-система, сжимающая 576 статей до 3 рекомендаций

Проблема информационного шума в медицине

Принятие клинических решений требует анализа огромных массивов данных. При поиске по PubMed сложных случаев врачи часто сталкиваются с сотнями публикаций, которые невозможно изучить вручную в условиях дефицита времени. Исследователи Adela Bara и Simona-Vasilica Oprea из Университета Бабеша-Бойяи предложили решение — фреймворк SCEPTER (Single-Case Evidence-driven PubMed-To-rEcommendation Reasoner), который автоматизирует путь от сырого текста к actionable-рекомендациям.

Архитектура и ключевые компоненты

SCEPTER работает как единый конвейер поддержки принятия решений, объединяющий несколько этапов обработки данных:

• Поиск и ранжирование: Использование PubMedBERT для семантического ранжирования результатов поиска.
• Извлечение утверждений: LLM-модели извлекают конкретные клинические утверждения (claims) из текстов.
• Анализ противоречий: Система выявляет расхождения в данных между источниками.
• Pareto-оптимизация: Выбор лучших утверждений на основе многокритериального анализа (баланс между поддержкой литературой и отсутствием противоречий).

Результаты тестирования: сжатие в 192 раза

Эффективность SCEPTER была проверена на выборке из 150 клинических случаев. Система демонстрирует впечатляющие метрики сжатия информации, сохраняя при этом высокую разнообразие (энтропия = 0.901) оставшихся доказательств. Сравнение с традиционными подходами ранжирования показало, что использование парето-оптимального отбора значительно повышает полезность рекомендаций.

Интерактивный модуль Paper Q&A

Дополнительно система включает модуль интерактивного взаимодействия с текстами. Это позволяет врачам не просто получать готовый ответ, но и «допрашивать» выбранные публикации, уточняя детали выбранных рекомендаций. Такой подход снижает риск галлюцинаций LLM и повышает доверие к ИИ-ассистенту со стороны медицинского персонала.

Источник: arXiv cs.AI ↗